ISSN 1811-0193

· Язык: ru

Статья: ВОЗМОЖНОСТИ ПРИМЕНЕНИЯ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПОВЫШЕНИЯ КАЧЕСТВА ПРЕНАТАЛЬНОЙ ДИАГНОСТИКИ ВРОЖДЕННЫХ ПОРОКОВ РАЗВИТИЯ: ОБЗОР ПРЕДМЕТНОГО ПОЛЯ (2025)

Читать

Читать онлайн

Алгоритмы машинного обучения (МО) находят применение во всех сферах жизни человека. Пренатальный скрининг (ПС) не является исключением. Внедрение методов МО для оценки результатов ПС позволит преодолеть проблемы, присущие анализу людьми: снизить субъективность и вариабельность между разными специалистами при чтении медицинских изображений, сократить время исследования, стратифицировать беременных по группам риска с большей достоверностью. Настоящее исследование сконцентрировано на оценке диагностической результативности применения технологий, основанных на применении методов искусственного интеллекта (ИИ), для оценки результатов ПС. Исследование проводилось в соответствии с методологией обзора предметного поля. По результатам поиска в базах PubMed и eLibrary идентифицировано 27 релевантных работ. Все включенные работы продемонстрировали положительный потенциал методов ИИ для обнаружения, классификации или прогнозирования рисков развития врожденных аномалий (ВА). При интерпретации медицинских изображений МО позволяет сократить время диагностики, повысить ее качество, обеспечить возможность проведения данного варианта диагностики в удаленных и труднодоступных районах или в условиях кадрового дефицита, сохраняя при этом достаточную чувствительность и специфичность вне зависимости от квалификации врача. Алгоритмы на основе метаболомного анализа обладают преимуществами в точности и эффективности прогнозирования хромосомных аномалий. Системы поддержки принятия врачебных решений позволяют улучшить прогнозирование развития ВА в первом триместре беременности как с точки зрения точности скрининга, так и с точки зрения снижения стоимости программы скрининга.

Тем не менее текущие эмпирически подтверждённые знания в основном получены при внедрении систем ИИ с низкой автономностью действий, и авторы большинства включенных в анализ исследований описывают ряд ограничений, которые необходимо учитывать при внедрении подобных решений.

Ключевые фразы: врожденные аномалии, искусственный интеллект, машинное обучение, пренатальная диа- гностика, пренатальный скрининг, обзор предметного поля

Автор (ы): Спирин Иван Александрович, Усынина Анна Александровна, Постоев Виталий Александрович, МИРОНОВ Д.С.

Журнал: ВРАЧ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ

Предпросмотр статьи

Идентификаторы и классификаторы

SCI: Машиностроение
УДК: 61. Медицина. Охрана здоровья. Пожарное дело

Для цитирования:

СПИРИН И. А., УСЫНИНА А. А., ПОСТОЕВ В. А., МИРОНОВ Д.С. ВОЗМОЖНОСТИ ПРИМЕНЕНИЯ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПОВЫШЕНИЯ КАЧЕСТВА ПРЕНАТАЛЬНОЙ ДИАГНОСТИКИ ВРОЖДЕННЫХ ПОРОКОВ РАЗВИТИЯ: ОБЗОР ПРЕДМЕТНОГО ПОЛЯ // ВРАЧ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ. 2025. № 3

Текстовый фрагмент статьи

Список литературы

1. Макаренцева АО. Достижения перинатальной реформы и резервы дальнейшего сокращения младенческой смертности в России // Демографическое Обозрение. - 2023. - 10. - С.62-81.
2. Serov VN, Nesterova LA. Features of modern obstetrics. Akush Ginekol (Mosk). 2022; 3: 5-11. DOI: 10.18565/aig.2022.3.5-11
3. Anteneh RM, Tesema GA, Lakew AM, Feleke SF. Development and validation of a risk score to predict adverse birth outcomes using maternal characteristics in northwest Ethiopia: a retrospective followup study. Front Glob Womens Health. 2024; 5: 1458457. DOI: 10.3389/FGWH.2024.1458457/BIBTEX
4. Shetty N, Mantri S, Agarwal S, Potdukhe A, Wanjari MB, Taksande AB, et al. Unraveling the Challenges: A Critical Review of Congenital Malformations in Low Socioeconomic Strata of Developing Countries. Cureus. 2023; 15: e41800. DOI: 10.7759/CUREUS.41800
5. Oftedal A, Bekkhus M, Haugen GN, Czajkowski NO, Kaasen A. The impact of diagnosed fetal anomaly, diagnostic severity and prognostic ambiguity on parental depression and traumatic stress: a prospective longitudinal cohort study. Acta Obstet Gynecol Scand. 2022; 101: 1291-9. DOI: 10.1111/aogs.14453
6. Liehr T, Harutyunyan T, Williams H, Weise A. Non-Invasive Prenatal Testing in Germany. Diagnostics. 2022; 12. DOI: 10.3390/DIAGNOSTICS12112816/S1
7. Johnston M, Hui L, Bowman-Smart H, Taylor-Sands M, Pertile MD, Mills C. Disparities in integrating noninvasive prenatal testing into antenatal healthcare in Australia: a survey of healthcare professionals. BMC Pregnancy Childbirth. 2024; 24: 355. DOI: 10.1186/S12884-024-06565-1
8. Perrot A, Horn R. The ethical landscape(s) of non-invasive prenatal testing in England, France and Germany: findings from a comparative literature review. Eur J Hum Genet. 2022; 30: 676-81. DOI: 10.1038/S41431-021-00970-2
9. Gil MM, Quezada MS, Revello R, Akolekar R, Nicolaides KH. Analysis of cell-free DNA in maternal blood in screening for fetal aneuploidies: updated meta-analysis. Ultrasound in Obstetrics & Gynecology. 2015; 45: 249-66. DOI: 10.1002/uog.14791
10. Жученко Л.А., Тамазян Г.В. Диагностика врожденных пороков развития в системе комплексных мероприятий, направленных на охрану здоровья детской популяции // Российский Вестник Акушера-Гинеколога. - 2010. - №10. - С.7-9.
11. Prenatal detection rates charts | European Platform on Rare Disease Registration n.d. https://eu-rdplatform.jrc.ec.europa.eu/eurocat/eurocat-data/prenatal-screening-and-diagnosis_en?a=102#filter.
12. Фролова О.Г., Суханова Л.П., Волгина В.Ф., Гребенник Т.К. Пренатальная диагностика - важнейшая задача региональных программ модернизации здравоохранения // Акушерство и Гинекология. - 2012. - С.75-78.
13. Жученко Л.А., Голошубов П.А., Андреева Е.Н., Калашникова Е.А., Юдина Е.В., Ижевская В.Л. Анализ результатов раннего пренатального скрининга, выполняющегося по национальному приоритетному проекту “Здоровье” в субъектах Российской Федерации. Результаты российского мультицентрового исследования “Аудит-2014” // Медицинская Генетика. - 2014. - №13. - С.3-54.
14. Feduniw S, Golik D, Kajdy A, Pruc M, Modzelewski J, Sys D, et al. Application of Artificial Intelligence in Screening for Adverse Perinatal Outcomes-A Systematic Review. Healthcare (Switzerland). 2022; 10: 2164. DOI: 10.3390/HEALTHCARE10112164/S1
15. He F, Wang Y, Xiu Y, Zhang Y, Chen L. Artificial Intelligence in Prenatal Ultrasound Diagnosis. Front Med (Lausanne). 2021; 8. DOI: 10.3389/FMED.2021.729978/PDF
16. Espinoza J, Good S, Russell E, Lee W. Does the use of automated fetal biometry improve clinical work flow efficiency? J Ultrasound Med. 2013; 32: 847-50. DOI: 10.7863/ULTRA.32.5.847
17. Yazdi B, Zanker P, Wagner P, Sonek J, Pintoffl K, Hoopmann M, et al. Optimal caliper placement: manual vs automated methods. Ultrasound Obstet Gynecol. 2014; 43: 170-5. DOI: 10.1002/UOG.12509
18. Matthew J, Skelton E, Day TG, Zimmer VA, et al. Exploring a new paradigm for the fetal anomaly ultrasound scan: Artificial intelligence in real time. Prenat Diagn. 2022; 42: 49-59. DOI: 10.1002/PD.6059
19. Teder H, Paluoja P, Rekker K, Salumets A, Krjutškov K, Palta P. Computational framework for targeted high-coverage sequencing based NIPT. PLoS One. 2019; 14. DOI: 10.1371/JOURNAL.PONE.0209139
20. Arain Z, Iliodromiti S, Slabaugh G, David AL, Chowdhury TT. Machine learning and disease prediction in obstetrics. Curr Res Physiol. 2023; 6: 100099. DOI: 10.1016/J.CRPHYS.2023.100099
21. He F, Lin B, Mou K, Jin L, Liu J. A machine learning model for the prediction of down syndrome in second trimester antenatal screening. Clinica Chimica Acta. 2021; 521: 206-11. DOI: 10.1016/J.CCA.2021.07.015
22. Akbulut A, Ertugrul E, Topcu V. Fetal health status prediction based on maternal clinical history using machine learning techniques. Comput Methods Programs Biomed. 2018; 163: 87-100. DOI: 10.1016/J.CMPB.2018.06.010
23. Xu X, Wang L, Cheng X, Ke W, et al. Machine learning-based evaluation of application value of the USM combined with NIPT in the diagnosis of fetal chromosomal abnormalities. Mathematical Biosciences and Engineering. 2022; 4: 4260-76. DOI: 10.3934/MBE.2022197
24. Catic A, Gurbeta L, Kurtovic-Kozaric A, Mehmedbasic S, Badnjevic A. Application of Neural Networks for classification of Patau, Edwards, Down, Turner and Klinefelter Syndrome based on first trimester maternal serum screening data, ultrasonographic findings and patient demographics. BMC Med Genomics. 2018; 11: 1-12. DOI: 10.1186/S12920-018-0333-2/TABLES/6
25. Tricco AC, Lillie E, Zarin W, O’Brien KK, et al. PRISMA Extension for Scoping Reviews (PRISMA-ScR): Checklist and Explanation. Ann Intern Med. 2018; 169: 467-73. DOI: 10.7326/M18-0850
26. Athalye C, van Nisselrooij A, Rizvi S, Haak MC, Moon-Grady AJ, Arnaout R. Deep-learning model for prenatal congenital heart disease screening generalizes to community setting and outperforms clinical detection. Ultrasound in Obstetrics & Gynecology. 2024; 63: 44-52. DOI: 10.1002/UOG.27503
27. Yang Y, Wu B, Wu H, Xu W, et al. Classification of normal and abnormal fetal heart ultrasound images and identification of ventricular septal defects based on deep learning. J Perinat Med. 2023; 51: 1052-8. DOI: 10.1515/JPM-2023-0041/HTML EDN: IMBMCZ
28. Ji C, Liu K, Yang X, Cao Y, et al. A novel artificial intelligence model for fetal facial profile marker measurement during the first trimester. BMC Pregnancy Childbirth. 2023; 23. DOI: 10.1186/S12884-023-06046-X
29. Wu H, Wu B, Lai F, Liu P, et al. Application of Artificial Intelligence in Anatomical Structure Recognition of Standard Section of Fetal Heart. Comput Math Methods Med. 2023; 2023: 5650378. DOI: 10.1155/2023/5650378
30. Zhang L, Dong D, Sun Y, Hu C, et al. Development and Validation of a Deep Learning Model to Screen for Trisomy 21 During the First Trimester From Nuchal Ultrasonographic Images. JAMA Netw Open. 2022; 5: E2217854. DOI: 10.1001/JAMANETWORKOPEN.2022.17854
31. Wang X, Liu Z, Du Y, Diao Y, et al. Recognition of Fetal Facial Ultrasound Standard Plane Based on Texture Feature Fusion. Comput Math Methods Med. 2021; 2021: 6656942. DOI: 10.1155/2021/6656942
32. Arnaout R, Curran L, Zhao Y, Levine JC, Chinn E, Moon-Grady AJ. An ensemble of neural networks provides expert-level prenatal detection of complex congenital heart disease. Nature Medicine. 2021; 27: 882-91. DOI: 10.1038/s41591-021-01342-5
33. Xie HN, Wang N, He M, Zhang LH, et al. Using deep-learning algorithms to classify fetal brain ultrasound images as normal or abnormal. Ultrasound Obstet Gynecol. 2020; 56: 579-87. DOI: 10.1002/UOG.21967 EDN: BXIYPY
34. Quader N, Hodgson AJ, Mulpuri K, Schaeffer E, Abugharbieh R. Automatic Evaluation of Scan Adequacy and Dysplasia Metrics in 2-D Ultrasound Images of the Neonatal Hip. Ultrasound Med Biol. 2017; 43: 1252-62. DOI: 10.1016/j.ultrasmedbio.2017.01.012
35. Lin M, Zhou Q, Lei T, Shang N, et al. Deep learning system improved detection efficacy of fetal intracranial malformations in a randomized controlled trial. NPJ Digit Med. 2023; 6: 191. DOI: 10.1038/S41746-023-00932-6 EDN: OXFNWS
36. de Vries IR, van Laar JOEH, van der Hout, et al. Fetal electrocardiography and artificial intelligence for prenatal detection of congenital heart disease. Acta Obstet Gynecol Scand. 2023; 102: 1511. DOI: 10.1111/AOGS.14623
37. Wang X, Yang TY, Zhang YY, Liu XW, et al. Diagnosis of fetal total anomalous pulmonary venous connection based on the post-left atrium space ratio using artificial intelligence. Prenat Diagn. 2022; 42: 1323-31. DOI: 10.1002/PD.6220 EDN: QXZGWO
38. Gong Y, Zhang Y, Zhu H, Lv J, et al. Fetal Congenital Heart Disease Echocardiogram Screening Based on DGACNN: Adversarial One-Class Classification Combined with Video Transfer Learning. IEEE Trans Med Imaging. 2020; 39: 1206-22. DOI: 10.1109/TMI.2019.2946059 EDN: HTTMUS
39. Xu L, Liu M, Shen Z, Wang H, et al. DW-Net: A cascaded convolutional neural network for apical four-chamber view segmentation in fetal echocardiography. Computerized Medical Imaging and Graphics. 2020; 80: 101690. DOI: 10.1016/J.COMPMEDIMAG.2019.101690
40. Jamshidnezhad A, Hosseini SM, Mahmudi M, Mohammadi-Asl J. A machine learning technology to improve the risk of non-invasive prenatal tests. Technol Health Care. 2022; 30: 951-65. DOI: 10.3233/THC-213628 EDN: HJTMRA
41. Dong N, Gu H, Liu D, Wei X, et al. Complement factors and alpha-fetoprotein as biomarkers for noninvasive prenatal diagnosis of neural tube defects. Ann N Y Acad Sci. 2020; 1478: 75-91. DOI: 10.1111/NYAS.14443
42. Yang J, Ding X, Zhu W. Improving the calling of non-invasive prenatal testing on 13-/18-/21-trisomy by support vector machine discrimination. PLoS One. 2018; 13. DOI: 10.1371/JOURNAL.PONE.0207840
43. Troisi J, Lombardi M, Scala G, Cavallo P, et al. A screening test proposal for congenital defects based on maternal serum metabolomics profile. Am J Obstet Gynecol. 2023; 228: 342.e1-342.e12. DOI: 10.1016/J.AJOG.2022.08.050
44. Avisdris N, Link Sourani D, Ben-Sira L, Joskowicz L, et al. Improved differentiation between hypo/hypertelorism and normal fetuses based on MRI using automatic ocular biometric measurements, ocular ratios, and machine learning multi-parametric classification. Eur Radiol. 2023; 33: 54-63. DOI: 10.1007/S00330-022-08976-0
45. Koivu A, Korpimäki T, Kivelä P, Pahikkala T, Sairanen M. Evaluation of machine learning algorithms for improved risk assessment for Down’s syndrome. Comput Biol Med. 2018; 98: 1-7. DOI: 10.1016/J.COMPBIOMED.2018.05.004
46. Neocleous AC, Syngelaki A, Nicolaides KH, Schizas CN. Two-stage approach for risk estimation of fetal trisomy 21 and other aneuploidies using computational intelligence systems. Ultrasound in Obstetrics & Gynecology. 2018; 51: 503-8. DOI: 10.1002/UOG.17558
47. Neocleous AC, Nicolaides KH, Schizas CN. Intelligent Noninvasive Diagnosis of Aneuploidy: Raw Values and Highly Imbalanced Dataset. IEEE J Biomed Health Inform. 2017; 21: 1271-9. DOI: 10.1109/JBHI.2016.2608859
48. Neocleous AC, Nicolaides KH, Schizas CN. First Trimester Noninvasive Prenatal Diagnosis: A Computational Intelligence Approach. IEEE J Biomed Health Inform. 2016; 20: 1427-38. DOI: 10.1109/JBHI.2015.2462744
49. Sun Y, Zhang L, Dong D, Li X, et al. Application of an individualized nomogram in first-trimester screening for trisomy 21. Ultrasound in Obstetrics & Gynecology. 2021; 58: 56. DOI: 10.1002/UOG.22087 EDN: YWFUOG
50. Zhou X, Ji C, Sun L, Yin L, et al. Clinical value of fetal facial profile markers during the first trimester. BMC Pregnancy Childbirth. 2022; 22: 738. DOI: 10.1186/S12884-022-05028-9
51. Gembicki M, Hartge DR, Dracopoulos C, Weichert J. Semiautomatic Fetal Intelligent Navigation Echocardiography Has the Potential to Aid Cardiac Evaluations Even in Less Experienced Hands. Journal of Ultrasound in Medicine. 2020; 39: 301-9. DOI: 10.1002/JUM.15105
52. Holm TL, Murati MA, Hoggard E, Zhang L, Dietz KR. Fetal Intelligent Navigation Echocardiography (FINE) Detects 98% of Congenital Heart Disease. J Ultrasound Med. 2018; 37: 2595-601. DOI: 10.1002/JUM.14616
53. Ma M, Li Y, Chen R, Huang C, Mao Y, Zhao B. Diagnostic performance of fetal intelligent navigation echocardiography (FINE) in fetuses with double-outlet right ventricle (DORV). International Journal of Cardiovascular Imaging. 2020; 36: 2165-72. DOI: 10.1007/S10554-020-01932-3/METRICS

Выпуск

№ 3 (2025)

Кол-во страниц: 101 страница

Другие статьи выпуска

ФУНКЦИОНАЛЬНЫЕ ТРЕБОВАНИЯ К ИНФОРМАЦИОННЫМ СИСТЕМАМ СБОРА И ОБРАБОТКИ МЕДИКО-СТАТИСТИЧЕСКОЙ ИНФОРМАЦИИ (2025)

Авторы: Поликарпов Александр Викторович, Голубев Никита Алексеевич, РЯБОВА М.А.

В условиях цифровизации здравоохранения принципиально важное значение приобретает создание современных информационных систем для сбора и обработки медицинской статистики. Данная статья представляет разработку и всесторонний анализ функциональных требований к таким системам, рассматривая их как сложные технологические комплексы, объединяющие строгие нормативные требования, передовые цифровые решения и практические потребности медицинских организаций. Особое внимание уделено методологии обеспечения качества данных, принципам интеграции с существующей ИТ-инфраструктурой и созданию условий для аналитической работы на основе собранной статистики.

Сохранить в закладках

МЕТОДИКА ОЦЕНКИ ЦИФРОВОЙ ЗРЕЛОСТИ МЕДИЦИНСКИХ ОРГАНИЗАЦИЙ (2025)

Авторы: Тарасенко Тарас Денисович, Бондарович Александра Федоровна, Булгакова Алина Сергеевна, Тюфилин Денис Сергеевич, Деев Иван Анатольевич, Кобякова Ольга Сергеевна

Цифровая трансформация здравоохранения требует эффективных инструментов для оценки цифровой зрелости медицинских организаций. Настоящее исследование направлено на разработку методики оценки цифровой зрелости, адаптированной к особенностям системы здравоохранения Российской Федерации. В рамках работы проведен анализ нормативных правовых актов, определены ключевые критерии оценки цифровой зрелости, сгруппированные в блоки, и разработан алгоритм расчета уровня цифровой зрелости медицинских организаций. Предложенная нами методика обеспечивает возможность объективной оценки, идентификации проблемных зон и разработки рекомендаций для повышения цифровой зрелости организаций.

Цель. Разработать методику оценки цифровой зрелости медицинских организаций, которая учитывает специфику системы здравоохранения Российской Федерации, позволяет проводить комплексную и объективную оценку уровня цифровой зрелости и формировать рекомендации для улучшения процессов цифровой трансформации.

Материалы и методы. Для разработки методики была сформирована рабочая группа из 14 членов экспертного сообщества с опытом трудовой деятельности в сфере здравоохранения и цифровой трансформации. Проведен анализ нормативных правовых актов и существующих подходов к оценке цифровой зрелости. На основе экспертного опроса выделены ключевые критерии, сгруппированные в пять блоков. Для каждого блока разработаны показатели и алгоритмы расчета, что обеспечивает объективность, прозрачность и возможность автоматизации оценки.

Результаты. Методика оценки цифровой зрелости медицинских организаций позволяет объективно определить уровень их готовности к цифровой трансформации. Методика охватывает основные аспекты цифровизации, обеспечивая комплексный подход к анализу, а также дает возможность выявить ключевые проблемы, затрудняющие цифровую трансформацию, и формировать рекомендации для их устранения. Это делает ее эффективным инструментом для повышения уровня цифровой зрелости медицинских организаций и улучшения качества предоставляемых услуг.

Выводы. Разработанная в ФГБУ «ЦНИИОИЗ» Минздрава России методика оценки цифровой зрелости медицинских организаций является универсальным инструментом для объективной и системной оценки уровня цифровой зрелости. Она учитывает особенности структуры и деятельности организаций, обеспечивая адаптивность к различным условиям и уровням здравоохранения. Методика способствует стандартизации цифровой трансформации, выявлению проблемных зон и формированию индивидуальных рекомендаций для их устранения.

Сохранить в закладках

МЕТОДИКИ ОЦЕНКИ КАЧЕСТВА БОЛЬШИХ ГЕНЕРАТИВНЫХ МОДЕЛЕЙ ДЛЯ БАЗОВЫХ СЦЕНАРИЕВ ПРИМЕНЕНИЯ В ЗДРАВООХРАНЕНИИ (2025)

Авторы: Решетников Роман Владимирович, ТЫРОВ И.А., Васильев Юрий Александрович, Шумская Юлия Федоровна, Владзимирский Антон Вячеславович, Ахмедзянова Дина Альфредовна, Беженова Карина Юрьевна, Варюхина Мария Дмитриевна, СОКОЛОВА М.В., Блохин Иван Андреевич, Войтенко Дарья Андреевна, Мынко Олег Игоревич, Коденко Мария Романовна, Омелянская Ольга Васильевна

Большие генеративные модели (БГМ) обладают значительным потенциалом для здравоохранения и медицинской науки. Несмотря на экспоненциальный рост числа публикаций, качество и результативность научного изучения БГМ остается неудовлетворительной. В научной литературе утверждается необходимость создания стандартизированных подходов для обеспечения безопасной и эффективной интеграции БГМ в клиническую практику. В системе здравоохранения г. Москвы осуществляется апробация БГМ в качестве средства поддержки принятия врачебных решений, которая потребовала создания особых методов и инструментов для оценки их качества. Представлены две методики оценки качества БГМ, разработанные на основе: анализа литературных данных (всего свыше 200 источников); результатов проведенного авторами этапного комплексного тестирования 204 БГМ; эмпирического опыта оценки качества БГМ на выборке из более 12 000 случаев применения. Методики предназначены для двух основных сценариев применения моделей. В их основе лежат (с учетом сценария) принципы формирования тестовой выборки, специально разработанные и валидированные опросники, способы тестирования, унифицированные требования к составу и структуре результатов оценки качества.

Сохранить в закладках

МЕТОДИКА СКРИНИНГОВОГО ОБСЛЕДОВАНИЯ ДЛЯ РАННЕЙ ДИФФЕРЕНЦИАЛЬНОЙ ДИАГНОСТИКИ НОВООБРАЗОВАНИЙ КОЖИ С ИСПОЛЬЗОВАНИЕМ МОБИЛЬНОЙ ДЕРМАТОСКОПИИ (2025)

Авторы: КОЗАЧОК Е.С., СЕРЕГИН С.С., КОЗАЧОК А. В., ЕЛЕЦКИЙ К.В., САМОВАРОВ О.И.

Цель исследования: разработка методики скринингового обследования пациентов, направленной на раннюю дифференциальную диагностику злокачественных новообразований кожи посредством применения методов дерматоскопии совместно с оптоэлектронными средствами мобильной техники и алгоритмами классификации дерматоскопических изображений, основанных на методах машинного обучения.

Материалы и методы. Для реализации обнаружения злокачественных новообразований и отнесения их к соответствующей нозологической группе применяются методы и алгоритмы машинного обучения и оптического распознавания. Методы оптического распознавания используются в процессе анализа дерматоскопических снимков и обучения алгоритмов и моделей классификации. В качестве применяемых подходов машинного обучения выступают методы многоклассовой и бинарной каскадной двухэтапной классификации технологии машинного обучения, основанной на нейросетевой архитектуре и архитектуре визуальных трансформеров.

Результаты. В ходе экспериментальных оценок многоклассовой классификации (восемь типов злокачественных новообразований) определена наилучшая модель классификации с архитектурой визуального трансформера, характеризующего метриками Accuracy 0,932 и F-мера 0,891 на сформированном наборе данных, включая ISIC-2019 и собственный набор, содержащий 657 изображений. Бинарная каскадная двухэтапная классификация на меланоцитарные и немеланоцитарные новообразования имеет значения Accuracy и F-мера 0,954 и 0,948 (первый этап классификации) и на меланомы и невусы — 0,964 и 0,951 соответственно (второй этап классификации).

Заключение. Полученные количественные значения точности обнаружения злокачественных кожных новообразований разработанной методикой скринингового обследования позволяют рекомендовать внедрение многоклассовой классификации для первичного разделения большого объема дерматоскопических изображений пациентов по нозологическому признаку между профильными специалистами в процессе проведения массовый (выездных) профилактических осмотров, а внедрение каскадной бинарной классификации в условиях первичного приема с ограниченным доступом к профильным специалистам для дифференциации меланомы от других кожных новообразований. Разработанная методика скринингового обследования пациентов может быть внедрена в медицинскую практику в качестве системы поддержки принятия решений врача.

Сохранить в закладках

ОЦЕНКА РЕЗУЛЬТАТИВНОСТИ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ ВРАЧЕБНЫХ РЕШЕНИЙ ДЛЯ ПОСТАНОВКИ ПРЕДВАРИТЕЛЬНОГО ДИАГНОЗА В УСЛОВИЯХ КОНСУЛЬТАТИВНО-ДИАГНОСТИЧЕСКИХ ПОЛИКЛИНИК ГОРОДА МОСКВЫ (2025)

Авторы: Васильев Юрий Александрович, КИРИНА М.В., БЕЗЫМЯННЫЙ А.С., БЛОХИНА Е.В., КАРАМОВ Б.И., АБРОСИМОВ А.С., Арзамасов Кирилл Михайлович, Памова Анастасия Петровна, Казаринова Вероника Евгеньевна

Внедрение системы поддержки принятия врачебных решений (СППВР) в клиническую практику требует тщательного контроля для обеспечения безопасности пациентов и оценки эффективности применения технологий искусственного интеллекта.

Целью данной работы является оценка результативности СППВР «ТОП-3» в условиях консультативно-диагностических поликлиник Департамента здравоохранения города Москвы.

Материалы и методы: Мониторинг работы СППВР «ТОП-3» проводился Департаментом здравоохранения города Москвы с 01.10.2020 по 21.03.2024 (n = 63 809 360 чел.). Рассчитывалась метрика Hit-3, на основе которой принималось решение о необходимости повторного обучения представленной СППВР. Дополнительно было проведено исследование с участием врачей-экспертов: ретроспективный анализ данных на выборке из 3000 пациентов с расчетом согласованности диагнозов от СППВР, врача и эксперта.

Результаты: По результатам мониторинга среднее значение Hit-3 составляло 63,5, 64,5 и 67,7 для первой, второй и третьей версии СППВР соответственно. Экспертиза показала, что в выборке несоответствия диагноза от врача и СППВР (n = 2000) в 80,2% случаев эксперт на основе жалоб соглашался с СППВР, в 11,5% случаях - с врачом, а в 8,3% случаев ставил иной диагноз. В выборке соответствия диагноза врача с одним из диагнозов СППВР (n = 1000) в 50,4% случаев эксперт соглашался с диагнозом от врача и СППВР, в 37,9% случаев – с одним из двух других альтернативных диагнозов СППВР, в 11,7% случаев ставил иной диагноз.

Заключение: Описанная методика мониторинга, дополненная проведением экспертизы, позволила всесторонне оценить внедряемую в систему здравоохранения СППВР. По итогу оценки результативности «ТОП-3» было принято решение о необходимости расширения анализируемого перечня данных электронных медицинских карт, что будет внедрено в следующей версии СППВР «ТОП-3+».

Сохранить в закладках

ТЕХНОЛОГИИ РЕАБИЛИТАЦИИ В МЕТАВСЕЛЕННОЙ: УСТОЙЧИВЫЙ ТРЕНД ИЛИ КОНТЕКСТНЫЕ РЕШЕНИЯ? (СИСТЕМАТИЧЕСКИЙ ОБЗОР) (2025)

Авторы: Каменских Екатерина Михайловна, Соколова Татьяна Сергеевна, Федорова Ольга Сергеевна, НАГОРНАЯ А. Ю.

Концепция метавселенной является новой, активно развивающейся идеей, имеющей потенциал в различных сферах медицины. Сочетание мультисенсорной стимуляции и социального взаимодействия открывает широкие возможности для применения технологий метавселенной в реабилитации. Целью данного обзора является анализ сфер применения и перспектив развития метавселенной в реабилитации. Методы: Авторами был выполнен поиск в PubMed, ScienceDirect с использованием ключевых слов «metaverse», «метавселенная», среди которых в ручном режиме велся поиск исследований, связанных с различными аспектами реабилитации. Из найденных 1393 публикаций для дальнейшего анализа было отобрано 37. Результаты: Технологии метавселенной используются в медицинской реабилитации, помогая восстановить физические и когнитивные функции. Создание цифровых двойников-аватаров и использование машинного обучения для обработки данных о пациенте может сделать реабилитацию более персонализированной и эффективной. Обсуждение: Концепция метавселенной создает уникальную среду, в основе которой лежит синергия высоких технологий и социального взаимодействия. Новые возможности, которые открывает применение метавселенной в медицине, могут коренным образом изменить реабилитацию, сделав ее более эффективной и доступной.

Сохранить в закладках

Издательство

Издательство: НМХЦ ИМ. Н.И. ПИРОГОВА МИНЗДРАВА РОССИИ
Регион: Россия, Москва
Почтовый адрес: 105203, г Москва, р-н Восточное Измайлово, ул Нижняя Первомайская, д 70
Юр. адрес: 105203, г Москва, р-н Восточное Измайлово, ул Нижняя Первомайская, д 70
ФИО: Карпов Олег Эдуардович (Генеральный директор)
Контактный телефон: +7 (499) 4640303
Сайт: https://www.pirogov-center.ru/

Все права на тексты и товарные знаки принадлежат их законным владельцам. Подробнее...

Сайт https://scinetwork.ru (далее – сайт) работает по принципу агрегатора – собирает и структурирует информацию из публичных источников в сети Интернет, то есть передает полнотекстовую информацию о товарных знаках в том виде, в котором она содержится в открытом доступе.

Сайт и администрация сайта не используют отображаемые на сайте товарные знаки в коммерческих и рекламных целях, не декларируют своего участия в процессе их государственной регистрации, не заявляют о своих исключительных правах на товарные знаки, а также не гарантируют точность, полноту и достоверность информации.

Все права на товарные знаки принадлежат их законным владельцам!

Сайт носит исключительно информационный характер, и предоставляемые им сведения являются открытыми публичными данными.

Администрация сайта не несет ответственность за какие бы то ни было убытки, возникающие в результате доступа и использования сайта.

Спасибо, понятно.

Наведите камеру на QR-код, чтобы открыть моб. версию страницы.